目前,荧光显微成像技术在生物医学研究中获得了广泛应用。在以脑科学为代表的诸多研究领域中,荧光显微系统往往需要对活体生物组织进行深穿透成像。然而,生物组织的高散射性和复杂性会严重限制深穿透荧光显微系统的成像深度和精度。为了实现大深度的荧光成像,则必须对照明光进行散射像差校正。因此,本文在相关研究的基础上,采用相干光学自适应技术(COAT)对双光子系统中的散射像差进行校正,提出新的选频方法弥补传统选频方法的不足,并通过仿真验证COAT在双光子系统中的校正效果和新选频方法的优势。在活体生物成像中,不仅有来自于生物样品的散射像差造成的照明光波前畸变,生物运动所造成的动态散射像差也需要实现快速校正。因此,研究者们提出了利用深度学习对散射像差进行校正的方案,然而,现有的校正算法只能校正部分像差。基于此,本文提出一种波前分区的散射像差校正方法替代原有的模式分解法,设计新的深度学习算法辅助校正过程,构建深度学习网络,通过仿真建立数据集对网络进行训练和测试,验证深度学习辅助波前分区校正方法可以实现对动态复杂散射像差的快速校正。综上,本文首先通过优化COAT的选频方法,提高了双光子显微系统的成像对比度;其次针对活体组织的动态像差,提出一种新的学习辅助波前分区校正方法,实现了生物组织动态复杂像差的快速校正,为深穿透的活体荧光显微成像提供了基础。